Als we data of kennis verkrijgen, wanneer zouden we die vertrouwen? Hoe kunnen we de betrouwbaarheid van een computer beter inschatten?

Als de hoeveelheid data groter wordt en de conclusies abstracter, dan wordt de urgentie om inzicht te geven in de betrouwbaarheid van data en conclusies groter. Omdat scepsis ten opzichte van automatisch gegenereerde conclusies groot zal zijn, is er behoefte algoritmes te laten uitleggen hoe zij tot hun uitspraken komen. De wetenschappelijke literatuur staat vol met discussies welke data te vertrouwen en welke conclusie vertrouwd kunnen worden. Er zijn vakgebieden waarin universele principes gelden (en de rest wordt ruis genoemd), en er zijn vakgebieden waarin tegenstrijdige informatie een intrinsiek onderdeel is van elke waarneming. Vertrouwen in data, afgeleide gegevens en kennis zal daarom een samenspel zijn van het inzicht in de plausibiliteit van de waarneming, en van een analyse over de reproduceerbaarheid van de gegenereerde gegevens en kennis. Dit laatste algemene deel heeft aspecten van fysische meetfout-analyse, wiskundige statistiek, informatica kennistechnologie, en linguïstische semantische analyse. Het omvat ook fundamentele vragen over het verschil tussen correlatie en causaliteit, en het vermogen van een automatisch systeem om zelf vast te stellen wanneer het disfunctioneert. Het omvat ook de fundamentele vraag of in het bereiken van een conclusie alle databronnen voor een bepaalde vraag kunnen worden geïdentificeerd en verklaard.